Kausalitet

Kausalitet fokuserer på studiet av årsakssammenhenger mellom variablene i et system av interesse. Mens standard maskinlæring vanligvis lærer korrelasjoner mellom funksjoner, tar kausalitet sikte på å skille ut årsaker og virkninger. Å forstå sammenhenger mellom årsak og virkning gir en bedre forståelse av systemet som studeres, gir bedre forklaringsmuligheter for sluttbrukeren og garanterer bedre kontroll over systemet.

Vi studerer kausalitet basert på språket til structural causal models (SCM), en formalisme som er avhengig av grafiske modeller for å kode variabler av interesse som noder og årsaksforhold som kanter. Forskning i kausalitet spenner over mange underfelt, for eksempel causal discovery (hvordan lære kausal modell fra data), causal inference (hvordan trekke gode kausale konklusjoner), causal transportability (hvordan utføre kausale slutninger på tvers av modeller), causal explanations (hvordan utnytte kausalitet for å gi forklaringer), causal decision-making (hvordan ta en optimal beslutning gitt en årsaksmodell). Vi fokuserer spesielt på causal abstraction, problemet med å lære og utnytte relasjoner mellom SCM-er som representerer de samme systemene på ulike oppløsningsnivåer.